如何在R中用极大似然估计求解负二项分布参数（含mle2问题及示例）

没问题，我来帮你解决用MLE估计负二项分布(r,p)参数的问题——你之前用mle2没得到有效结果，大概率是参数化或者初始值设置的问题，咱们一步步来：

首先得明确：R里的负二项分布有两种常见参数化方式，这很容易踩坑——dnbinom()默认支持两种输入：size+prob（对应你要的(r,p)，r是成功次数，p是单次成功概率），或者size+mu（均值μ = r*(1-p)/p）。用mle2的时候必须对应正确的参数化，还要给合理的初始值，不然拟合容易失败。

步骤1：准备数据和初始值 #

初始值对MLE的收敛至关重要，我们可以用矩估计先算出一个合理的初始值：

• 样本均值 mu = mean(x)
• 样本方差 var_x = var(x)
• 对于负二项分布，方差满足 var_x = mu + mu²/r，所以可以解出 r = mu²/(var_x - mu)
• 再由 mu = r*(1-p)/p 推导出 p = r/(r+mu)

代码实现：

# 加载bbmle包（mle2的所在包）
library(bbmle)

# 你的示例数据
word_a <- c(141,97,103,158,71,101)

# 计算矩估计初始值
mu <- mean(word_a)
var_x <- var(word_a)
r_init <- mu^2 / (var_x - mu)
p_init <- r_init / (r_init + mu)

# 看看初始值：r≈16.4，p≈0.126
r_init
p_init

步骤2：用mle2拟合参数 #

有两种方式可以拟合：自定义对数似然函数，或者用公式接口，我都给你列出来：

方式1：自定义对数似然函数 #

我们手动定义对数似然，同时给参数加范围约束（r>0，0<p<1），避免拟合出无效参数：

# 定义负二项对数似然函数
nb_loglik <- function(r, p) {
  # 参数不合法时返回负无穷，让MLE自动避开
  if (r <= 0 || p <= 0 || p >= 1) return(-Inf)
  # 计算对数似然之和
  sum(dnbinom(word_a, size = r, prob = p, log = TRUE))
}

# 用mle2拟合
fit <- mle2(nb_loglik, start = list(r = r_init, p = p_init))

# 查看结果
summary(fit)

方式2：公式接口（更简洁） #

mle2支持公式语法，直接调用dnbinom的参数化，更省事：

fit_formula <- mle2(word_a ~ dnbinom(size = r, prob = p), 
                    start = list(r = r_init, p = p_init))

summary(fit_formula)

运行后你会得到参数的估计值、标准误、对数似然值等结果，比如示例数据的估计结果大概是r≈16.3，p≈0.126。

步骤3：验证结果（可选） #

你可以用MASS包的glm.nb()来交叉验证，它用的是(mu, theta)参数化（theta就是我们的r），转换后和mle2的结果应该一致：

library(MASS)
fit_nb <- glm.nb(word_a ~ 1)

# 转换为(r,p)参数
r_glm <- fit_nb$theta
p_glm <- r_glm / (r_glm + fit_nb$fitted.values[1])

# 对比结果
cat("glm.nb估计的r：", r_glm, "\n")
cat("glm.nb估计的p：", p_glm, "\n")

为什么你之前可能失败？ #

• 初始值不合理：如果随便给初始值（比如r=1，p=0.5），MLE可能无法收敛到有效解。
• 参数化错误：比如误把dnbinom的mu参数当成了prob，导致似然函数定义错误。
• 没有参数约束：如果没限制r>0和0<p<1，拟合过程中可能出现无效参数，导致似然值计算出错。

内容的提问来源于stack exchange，提问作者Roman